Suchen

Lieferkettenmanagement Komplexität und Unsicherheit in Supply Chains mit probabilistischer Vorhersage meistern

Autor / Redakteur: Mauro Adorno / Sebastian Human

Supply Chains werden zunehmend komplexer, da die Menge an auswertbaren Daten stetig steigt. Alte mathematische Vorhersagemodelle wie der „One-Number Forecast“ stoßen hier an ihre Grenzen und führen zu hohen Sicherheitsbeständen und Obsoleszenzen. Eine Lösung: neue probabilistische Vorhersagemethoden.

Firmen zum Thema

Dank fortschrittlicher Algorithmen sind Vorhersagemethoden für die Supply-Chain-Planung nicht nur Hellsehern vorbehalten.
Dank fortschrittlicher Algorithmen sind Vorhersagemethoden für die Supply-Chain-Planung nicht nur Hellsehern vorbehalten.
(Bild: Pixabay / CC0 )

Schon Archimedes wusste, dass es Dinge gibt, die den Menschen unglaublich erscheinen, die nicht Mathematik studiert haben. Dank fortschrittlicher Algorithmen in Supply-Chain-Planungsanwendungen müssen wir uns zum Glück nicht mehr mit den mathematischen Details von Vorhersagemethoden abmühen. Trotzdem sollten auch diejenigen, für die Wahrscheinlichkeitsrechnung nicht unbedingt zu den schönsten Erinnerungen zählt, eine bestimmte Vorhersagemethode unbedingt kennen: die probabilistischen Prognose, auch als stochastische Vorhersage bekannt.

One-Number Forecast

Grob gesprochen gibt es zwei Möglichkeiten, eine Vorhersage zu treffen. Zum einen ist da die Vorhersage, dass ein bestimmtes Ereignis eintreten wird. Zum Beispiel, das Pferd „Secretariat“ wird das Kentucky Derby gewinnen. Da Secretariat das erfolgreichste Rennpferd aller Zeiten war, fällt der Wetteinsatz entsprechend hoch aus, da der Gewinn recht sicher ist.

In der Welt der Supply Chain Planung wird diese Art der Vorhersage als „One-Number Forecast“ bezeichnet. Dabei prognostizieren Planer mit Hilfe einfacher Systeme (oft Tabellenkalkulationen oder Legacy-Planungssystemen) die Auftragsmenge für eine bestimmte Position.

Diese sehr eindimensionale Vorhersage wird den meisten heutigen Supply-Chain-Szenarien auch angesichts der zunehmenden globalen Einflussfaktoren allerdings nicht mehr gerecht. Das Verfahren funktioniert nur, wenn man sich sicher sein kann, dass sich bestimmte Nachfragemuster wiederholen. Wurden in den letzten fünf Jahren monatlich konstant hundert (plus/minus 5) Standard-USB-Ladegeräte pro Woche verkauft, ist die Bestellung von hundert Einheiten eine ziemlich sichere Sache.

Die probabilistische Prognose

Die meisten Supply-Chain-Planungsszenarien sind natürlich viel komplexer. Das ist auch auf der Rennbahn nicht anders. Selbst die erfolgreichsten, gesündesten Pferde mit fähigen Jockeys unterliegen vielen unvorhersehbaren Variablen, die ihre Gewinnchancen beeinflussen. Professionelle Spieler analysieren daher die Quoten der verschiedenen Wettanbieter, ermitteln die Bandbreite der möglichen Ergebnisse und wenden dann ihr eigenes Wissen an, bevor sie sich für eine Wette entscheiden. Sie setzen oft auf mehrere Pferde, um sich gegen Verluste abzusichern.

Diese zweite Art der Vorhersage ist ein Beispiel für probabilistische Prognosen. In der Supply-Chain-Planung werden dafür fortschrittliche Algorithmen zur Analyse mehrerer Nachfragevariablen genutzt, um so die Wahrscheinlichkeiten einer Reihe möglicher Ergebnisse zu identifizieren. Wenn die Nachfragemuster variabel sind, es wenig oder gar keine Auftragshistorie gibt (wie bei der Einführung neuer Produkte) oder wenn Faktoren wie Saisonalität ins Spiel kommen, ist dieser Vorhersage-Ansatz weitaus zuverlässiger.

Aggregierte Nachfrage wird der tatsächlichen Volatilität nicht gerecht

Selbst wenn die aggregierte wöchentliche oder monatliche Nachfrage nach einem Artikel relativ konstant bleibt, wird doch eine beachtliche Volatilität sichtbar, wenn man weiter ins Detail geht und sich die tägliche Nachfrage nach Artikelstandort anschaut. Für Unternehmen mit einem komplexen Vertrieb und hohen Servicelevels, reicht es daher nicht aus, die aggregierte Nachfrage zu betrachten. Sie benötigen einen Plan, der sicherstellt, dass die richtige Anzahl an Artikeln auch rechtzeitig an den richtigen Standorten zur Verfügung steht.

Eine probabilistische Prognose, die Unsicherheiten berücksichtigt, unterstützt auch das Risikomanagement. Es geht nicht nur darum, die durchschnittlichen Nachfrageprognosen zu verbessern, sondern auch die gesamte Bandbreite der möglichen Ergebnisse zu bewerten – einschließlich extremer Nachfragevolatilität, die sich am stärksten auf die Servicelevels auswirken.

Symbiose von Mensch und Maschine

Wenn Lieferpläne oder Sicherheitsbestände auf falschen Annahmen über die Nachfrageunsicherheit basieren, erodiert das Vertrauen in den Planungsprozess. Und wenn Unternehmen aufhören, den Prognosen zu vertrauen, resultiert dies meistens in zu hohen Sicherheitsbeständen und erhöhten Kosten und Verschwendungen.

Planungssysteme mit fortschrittlichen Algorithmen die auf probabilistische Vorhersage setzen, helfen Unternehmen dabei, alle Daten auszuwerten und so konsequent bessere Bestandswetten als ihre Wettbewerber zu platzieren und gleichzeitig Betriebskapital freizusetzen und die Servicelevels zu verbessern.

Dieser Beitrag erschien zuerst auf unserem Partnerportal Industry of Things und wurde von Sebastian Human betreut!

(ID:45627374)